语音合成方法、合成模型训练方法、装置、介质及设备与流程

本公开涉及语音合成技术领域，具体地，涉及一种语音合成方法、合成模型训练方法、装置、介质及设备。

背景技术：

现阶段，在进行语音合成时，通常先通过声学子模型提取待合成文本对应的声学特征(例如，梅尔谱、线性谱、基频等)，之后，再利用声码器根据声学特征生成待合成文本对应的音频信息。然而，声学子模型和声码器在协作进行语音合成时，语音合成的速度较慢，且易出现误差累积的现象，从而影响语音合成的准确度。另外，通过声学子模型提取到的声学特征可能不具备普适性，使得基于该声学特征生成的音频信息不能适配特殊的发音需求，例如，高尖女声或者低沉男声。

技术实现要素：

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种语音合成方法，包括：

获取待合成文本对应的语音特征信息；

将所述语音特征信息输入语音合成模型中，得到与所述待合成文本对应的预测波形点信息，其中，所述语音合成模型包括声学子模型和声码器，所述语音合成模型是通过对所述声学子模型和所述声码器直接进行联合训练得到的；

对所述预测波形点信息进行μ律扩展，得到所述待合成文本对应的音频信息。

可选地，所述声学子模型包括编码网络、时长子模型、高斯采样模块、线性处理模块以及基于流的可逆生成模型glow；

所述编码网络用于根据所述语音特征信息，生成所述待合成文本对应的表示序列，其中，所述表示序列由所述待合成文本中每一音素的编码按照相应音素在所述待合成文本中的先后顺序排列而成；

所述时长子模型用于根据所述语音特征信息，得到所述待合成文本对应的时长特征信息，其中，所述时长特征信息包括所述待合成文本中每一音素对应的语音帧的数量；

所述高斯采样模块用于根据所述表示序列和所述时长特征信息，生成所述待合成文本对应的定长的语义表征；

所述线性处理模块用于对所述语义表征进行线性变换，得到所述待合成文本对应的第一梅尔谱信息；

所述基于流的可逆生成模型glow用于根据标准正态分布生成第二梅尔谱信息；

所述声码器用于根据所述第一梅尔谱信息和所述第二梅尔谱信息，生成与所述待合成文本对应的预测波形点信息。

可选地，所述声码器为基于流的生成模型flow；

所述语音合成模型通过以下方式训练得到：

获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息；

通过将所述标注语音特征信息分别作为所述编码网络、所述时长子模型的输入，将所述编码网络的输出和所述时长子模型的输出作为所述高斯采样模块的输入，将所述高斯采样模块的输出作为所述线性处理模块的输入，将所述线性处理模块的输出作为所述基于流的生成模型flow的输入，将所述标注波形点信息作为所述基于流的生成模型flow的目标输出，将所述标注梅尔谱信息作为所述基于流的可逆生成模型glow的输入，将所述标准正态分布作为所述基于流的可逆生成模型glow的目标输出的方式对所述声学子模型和所述声码器直接进行联合训练，以得到所述语音合成模型。

可选地，所述语音特征信息包括音素、声调、分词及韵律边界；

所述获取待合成文本对应的语音特征信息，包括：

将所述待合成文本输入信息提取模型，得到与所述待合成文本对应的语音特征信息。

可选地，所述方法还包括：

将所述音频信息与背景音乐进行合成。

第二方面，本公开提供一种语音合成模型训练方法，所述语音合成模型包括声学子模型和声码器，所述声学子模型包括编码网络、时长子模型、高斯采样模块、线性处理模块以及基于流的可逆生成模型glow，所述声码器为基于流的生成模型flow；

所述方法包括：

获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息；

通过将所述标注语音特征信息分别作为所述编码网络、所述时长子模型的输入，将所述编码网络的输出和所述时长子模型的输出作为所述高斯采样模块的输入，将所述高斯采样模块的输出作为所述线性处理模块的输入，将所述线性处理模块的输出作为所述基于流的生成模型flow的输入，将所述标注波形点信息作为所述基于流的生成模型flow的目标输出，将所述标注梅尔谱信息作为所述基于流的可逆生成模型glow的输入，将所述标准正态分布作为所述基于流的可逆生成模型glow的目标输出的方式对所述声学子模型和所述声码器直接进行联合训练，以得到所述语音合成模型。

第三方面，本公开提供一种语音合成装置，包括：

第一获取模块，用于获取待合成文本对应的语音特征信息；

语音合成模块，用于将所述第一获取模块获取到的所述语音特征信息输入语音合成模型中，得到与所述待合成文本对应的预测波形点信息，其中，所述语音合成模型包括声学子模型和声码器，所述语音合成模型是通过对所述声学子模型和所述声码器直接进行联合训练得到的；

扩展模块，用于对所述语音合成模块得到的所述预测波形点信息进行μ律扩展，得到所述待合成文本对应的音频信息。

第四方面，本公开提供一种语音合成模型训练装置，所述语音合成模型包括声学子模型和声码器，所述声学子模型包括编码网络、时长子模型、高斯采样模块、线性处理模块以及基于流的可逆生成模型glow，所述声码器为基于流的生成模型flow；

所述装置包括：

第二获取模块，用于获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息；

训练模块，用于通过将所述标注语音特征信息分别作为所述编码网络、所述时长子模型的输入，将所述编码网络的输出和所述时长子模型的输出作为所述高斯采样模块的输入，将所述高斯采样模块的输出作为所述线性处理模块的输入，将所述线性处理模块的输出作为所述基于流的生成模型flow的输入，将所述标注波形点信息作为所述基于流的生成模型flow的目标输出，将所述标注梅尔谱信息作为所述基于流的可逆生成模型glow的输入，将所述标准正态分布作为所述基于流的可逆生成模型glow的目标输出的方式对所述声学子模型和所述声码器直接进行联合训练，以得到所述语音合成模型。

第五方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面或第二方面提供的所述方法的步骤。

第六方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面提供的所述方法的步骤。

第七方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第二方面提供的所述方法的步骤。

在上述技术方案中，通过语音合成模型可以直接根据待合成文本对应的语音特征信息获得预测波形点信息，之后，对该预测波形点信息进行简单的μ律扩展即可获取到待合成文本对应的音频信息，而无需经过声学子模型和声码器进行协作，从而提升了语音合成的效率，并且，可有效降低相关技术中将声学子模型和声码器分别训练所产生的误差累积，提升了语音合成的准确度。另外，由于根据待合成文本对应的语音特征信息可以直接生成预测波形点信息，而不涉及声学特征，从而可以避免声学特征因不具备普适性导致生成的音频信息不能适配特殊的发音需求的问题，从而提升了语音合成的效果。此外，通过对声学子模型和声码器直接进行联合训练即可得到语音合成模型，从而可以缩短模型训练周期，并且使得该语音合成模型的韵律保真度更好；并且，还可保证语音合成模型中的声学子模型和声码器的匹配度，从而避免即使声学子模型和声码器的准确度都较高，但得出的语音合成结果准确度低的问题，进一步提升了语音合成的准确度。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据一示例性实施例示出的一种语音合成方法的流程图。

图2是根据一示例性实施例示出的一种语音合成过程的示意图。

图3是根据一示例性实施例示出的一种语音合成模型训练方法的流程图。

图4是根据一示例性实施例示出的一种语音合成模型训练过程的示意图。

图5是根据另一示例性实施例示出的一种语音合成方法的流程图。

图6是根据一示例性实施例示出的一种语音合成装置的框图。

图7是根据一示例性实施例示出的一种语音合成模型训练装置的框图。

图8是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

图1是根据一示例性实施例示出的一种语音合成方法的流程图。其中，如图1所示，该方法包括s101～s103。

在s101中，获取待合成文本对应的语音特征信息。

在本公开中，待合成文本可以为中文、藏文、维文、泰文、羌文等有声调的语种。语音特征信息可以用于表征待合成文本的音素、语调、停顿等相关信息。另外，待合成文本可以为小说、歌词等各种类型的文本。

在s102中，将语音特征信息输入语音合成模型中，得到与待合成文本对应的预测波形点信息。

在本公开中，语音合成模型包括声学子模型和声码器，其中，语音合成模型是通过对声学子模型和声码器直接进行联合训练得到的。

在s103中，对预测波形点信息进行μ律扩展，得到待合成文本对应的音频信息。

在上述技术方案中，通过语音合成模型可以直接根据待合成文本对应的语音特征信息获得预测波形点信息，之后，对该预测波形点信息进行简单的μ律扩展即可获取到待合成文本对应的音频信息，而无需经过声学子模型和声码器进行协作，从而提升了语音合成的效率，并且，可有效降低相关技术中将声学子模型和声码器分别训练所产生的误差累积，提升了语音合成的准确度。另外，由于根据待合成文本对应的语音特征信息可以直接生成预测波形点信息，而不涉及声学特征，从而可以避免声学特征因不具备普适性导致生成的音频信息不能适配特殊的发音需求的问题，从而提升了语音合成的效果。此外，通过对声学子模型和声码器直接进行联合训练即可得到语音合成模型，从而可以缩短模型训练周期，并且使得该语音合成模型的韵律保真度更好；并且，还可保证语音合成模型中的声学子模型和声码器的匹配度，从而避免即使声学子模型和声码器的准确度都较高，但得出的语音合成结果准确度低的问题，进一步提升了语音合成的准确度。

下面针对上述s101中的获取待合成文本对应的语音特征信息的具体实施方式进行详细说明。

在本公开中，语音特征信息可以包括音素、声调、分词以及韵律边界。其中，音素是根据语音的自然属性划分出来的最小语音单位，依据音节里的发音动作来分析，一个动作构成一个音素；音素分为元音与辅音两大类。示例地，对于中文来说，音素包括声母(声母,是使用在韵母前面的辅音,跟韵母一齐构成的一个完整的音节)和韵母(即元音)。声调是指声音的高低升降的变化。示例地，中文中有四个声调：阴平、阳平、上声和去声。韵律边界用于指示在阅读文本时应该在哪些地方进行停顿。示例地，韵律边界分为“#1”、“#2”、“#3”和“#4”四个停顿等级，其停顿程度依次增大。

具体来说，可以通过多种方式来获取上述语音特征信息，在一种实施方式中，待合成文本对应的语音特征信息可以由用户预先标注好并存储在相应的存储模块，这样，通过访问该存储模块即可获取到待合成文本对应的语音特征信息。

在另一种实施方式中，可以将待合成文本输入信息提取模型，得到与待合成文本对应的语音特征信息，方便快捷，且无需人工参与，节省了人力。

在本公开中，信息提取模型可以包括文本正则化(textnormalization，tn)模型、字素到音素(grapheme-to-phoneme，g2p)模型、分词模型以及韵律模型。其中，可以通过tn模型将待合成文本中的数字、符号、缩写等转换成语言文字，通过g2p模型获取待合成文本中的音素，通过分词模型对待合成文本进行分词，通过韵律模型获取待合成文本的韵律边界以及声调。

示例地，g2p模型可以采用循环神经网络(recurrentneuralnetwork，rnn)和长短期记忆网络(longshort-termmemory，lstm)来实现从字素到音素的转化。

分词模型可以为n-gram模型、隐马尔可夫模型、朴素贝叶斯分类模型等。

韵律模型为预训练语言模型bert(bidirectionalencoderrepresentationfromtransformers)、双向lstm-crf(conditionalrandomfield，条件随机场)模型等。

在上述实施方式中，通过提取待合成文本的音素、声调、分词和韵律边界这些语音特征信息，并基于语音特征信息对待合成文本进行语音合成，从而可以更加关注待合成文本的文本内容。这样，可以使得到的待合成文本对应的音频信息能够根据待合成文本的文本内容以及分词进行停顿，提高了音频信息的准确度和可理解性，便于用户快速理解音频信息对应的文本内容。另外，由于语音合成时能够在自然的韵律边界处进行停顿，因此可以提升待合成文本对应的音频信息的自然度和流畅性。

下面结合语音合成模型的结构详细说明通过该语音合成模型进行语音合成的过程。如图2所示，声学子模型包括编码网络、时长子模型、高斯采样(gaussiansampling)模块、线性处理模块以及基于流的可逆生成模型glow。

在本公开中，编码网络用于根据待合成文本对应的语音特征信息，生成待合成文本对应的表示序列；时长子模型用于根据待合成文本对应的语音特征信息，得到待合成文本对应的时长特征信息；高斯采样模块用于根据表示序列和时长特征信息，生成待合成文本对应的定长的语义表征；线性处理模块用于对该定长的语义表征进行线性变换，得到待合成文本对应的第一梅尔谱信息；基于流的可逆生成模型glow用于根据标准正态分布生成第二梅尔谱信息；声码器用于根据第一梅尔谱信息和第二梅尔谱信息，生成与待合成文本对应的预测波形点信息。

其中，时长特征信息包括待合成文本中每一音素对应的语音帧的数量。表示序列由待合成文本中每一音素的编码按照相应音素在待合成文本中的先后顺序排列而成。

示例地，待合成文本对应的音素序列为“ab”，其中，音素“a”的编码为“a”，音素“b”的编码为“b”，则待合成文本对应的表示序列为“ab”。

如图2所示，编码网络可以包括预处理网络(pre-net)子模型和transformer子模型。首先，将待合成文本对应的语音特征信息输入至pre-net子模型中，以对该语音特征信息进行非线性变换，从而提升语音合成模型的收敛和泛化能力，然后，通过transformer子模型根据非线性变换后所得的语音特征信息，获得待合成文本对应的表示序列。

时长子模型可以例如是cbhg模型、长短时记忆网络(longshorttermmemorynetwork，lstm)模型、lstm-rnn(recurrentneuralnetwork，循环神经网络)模型、深度神经网络(deepneuralnetworks，dnn)模型、transformer模型、基于流的生成模型flow等。优选地，时长子模型可以采用适合建模语音中的不确定信息的基于流的生成模型flow，从而进一步提升语音合成的准确度。

另外，上述时长子模型可以通过以下步骤来确定待合成文本中各音素对应的语音帧的数量：(1)获取待合成文本中各音素的发音时长；(2)根据每一音素的发音时长，确定该音素对应的语音帧的数量。

示例地，一音素的发音时长为200ms，一个语音帧的时间长度为5ms，则该音素对应的语音帧的数量为40。

又示例地，一音素的发音时长为203ms，一个语音帧的时间长度为5ms，则该音素对应的语音帧的数量为即最后一片不足5ms的，按照一帧处理。

如图2所示，基于流的可逆生成模型glow包括压缩层、激活标准化(activationnormalization，actnorm)层、可逆1*1卷积层、仿射耦合层。

其中，actnorm层用于对数据进行规范化处理，采用每个通道的缩放和偏差参数进行激活，使得小批量的数据在激活后具有零均值和单位方差，相当于对数据进行了预处理，避免模型性能的下降。可逆1*1卷积层通过采用矩阵乘法实现对各个维度数据的打乱，使信息混合得更加充分。仿射耦合层通过可逆函数实现数据的可逆转换。

在语音合成阶段，将标准正态分布输入仿射耦合层，得到逆转换后的数据；之后，将逆转换后的数据输入可逆1*1卷积层，以对其进行打乱；接下来，将打乱后的数据输入actnorm层，以进行数据规范化处理，之后经过压缩层解压后得到第二梅尔谱信息，并输出至声码器。

下面针对上述语音合成模型的训练方法进行详细说明。其中，为了提升语音合成模型的训练效果，声码器可以为基于流的生成模型flow，具体来说，可以通过图3中所示的s301和s302来实现。

在s301中，获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息。

在本公开中，可以通过对文本训练样本对应的音频信息进行μ律压缩，得到该文本训练样本对应的标注波形点信息。

在s302中，通过将标注语音特征信息分别作为编码网络、时长子模型的输入，将编码网络的输出和时长子模型的输出作为高斯采样模块的输入，将高斯采样模块的输出作为线性处理模块的输入，将线性处理模块的输出作为基于流的生成模型flow的输入，将标注波形点信息作为基于流的生成模型flow的目标输出，将标注梅尔谱信息作为基于流的可逆生成模型glow的输入，将标准正态分布作为基于流的可逆生成模型glow的目标输出的方式对声学子模型和声码器直接进行联合训练，以得到语音合成模型。

具体来说，如图4所示，可以将文本训练样本对应的标注语音特征信息输入编码网络，得到文本训练样本对应的表示序列，同时，将文本训练样本对应的标注语音特征信息输入时长子模型，得到文本训练样本对应的时长特征信息；之后，将文本训练样本对应的表示序列和时长特征信息输入高斯采样模块，得到文本训练样本对应的定长的语义表征；接下来，将该定长的语义表征输入线性处理模块，以进行线性变换，生成文本训练样本对应的预测梅尔谱信息；然后，将该预测梅尔谱信息输入声码器(即基于流的生成模型flow)，得到文本训练样本对应的预测波形点信息；之后，根据文本训练样本对应的预测波形点信息和标注波形点信息的比较结果，对声学子模型中、除基于流的可逆生成模型glow外的各模块的模型参数进行更新。

同时，将文本训练样本对应的标注梅尔谱信息输入基于流的可逆生成模型glow中的压缩层，以对该标注梅尔谱信息进行压缩；之后，将压缩后的数据输入actnorm层，以进行数据规范化处理；接下来，将规范化处理后所得的数据输入可逆1*1卷积层，以对其进行打乱；然后，将打乱后的数据输入仿射耦合层，以进行数据逆转换，得到模拟正态分布；之后，可以根据该模拟正态分布和标准正态分布的比较结果，对基于流的可逆生成模型glow的模型参数进行更新。

由此，可以得到上述语音合成模型。

另外，为了提升用户体验，在上述步骤103获得待合成文本对应的音频信息后，还可以为音频信息添加背景音乐，这样，用户根据背景音乐和音频信息，更容易理解相应的文本内容。具体来说，如图5所示，上述方法还可以包括s104。

在s104中，将音频信息与背景音乐进行合成。

在一种实施方式中，上述背景音乐可以为预设音乐，即可以是用户设定的任一音乐，也可以是默认的音乐。

在另一种实施方式中，在将音频信息与背景音乐进行合成之前，可以先根据待合成文本的文本信息和/或语音特征信息，确定该待合成文本对应的使用场景信息，其中，该使用场景信息包括但不限于新闻播报、军武介绍、童话故事、校园广播等；然后，根据该使用场景信息，确定与该使用场景信息相匹配的背景音乐。

在本公开中，可以通过多种方式来确定上述使用场景信息，在一种实施方式中，可以根据待合成文本的文本信息，确定待合成文本对应的使用场景信息，其中，上述文本信息可以为关键词。示例地，可以通过对待合成文本进行关键字自动识别，以根据关键词智能地预判该待合成文本的使用场景信息。

在另一种实施方式中，可以根据待合成文本的语音特征信息，确定待合成文本对应的使用场景信息。具体来说，可以从上述步骤101确定出的语音特征信息中的分词中识别出场景描述词语，其中，可以通过将各分词分别与预先存储的场景描述词语表进行匹配的方式来识别出上述场景描述词语，然后根据该场景描述词语，确定待合成文本的使用场景信息。

在又一种实施方式中，可以根据待合成文本的文本信息和语音特征信息，确定待合成文本对应的使用场景信息。具体来说，可以通过对待合成文本进行关键字自动识别，以及从上述步骤101确定出的语音特征信息中的分词中识别出场景描述词语，之后，根据关键字和场景描述词语共同确定待合成文本的使用场景信息。这样，可以提升使用场景信息的确定精度。

在确定出待合成文本对应的使用场景信息后，可以根据该使用场景信息，利用预先存储的使用场景信息与背景音乐的对应关系，确定与待合成文本对应的使用场景信息匹配的背景音乐。例如，使用场景信息为军武介绍，其对应的背景音乐可以为激昂的音乐；使用场景信息为童话故事，则其对应的背景音乐可以为轻快活泼的音乐。

本公开还提供一种语音合成模型训练方法，其中，该语音合成模型包括声学子模型和声码器，声学子模型包括编码网络、时长子模型、高斯采样模块、线性处理模块以及基于流的可逆生成模型glow，声码器为基于流的生成模型flow。具体来说，可以通过图3中所示的s301和s302来训练语音合成模型。

在s301中，获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息。

在本公开中，可以通过对文本训练样本对应的音频信息进行μ律压缩，得到该文本训练样本对应的标注波形点信息。

在s302中，通过将标注语音特征信息分别作为编码网络、时长子模型的输入，将编码网络的输出和时长子模型的输出作为高斯采样模块的输入，将高斯采样模块的输出作为线性处理模块的输入，将线性处理模块的输出作为基于流的生成模型flow的输入，将标注波形点信息作为基于流的生成模型flow的目标输出，将标注梅尔谱信息作为基于流的可逆生成模型glow的输入，将标准正态分布作为基于流的可逆生成模型glow的目标输出的方式对声学子模型和声码器直接进行联合训练，以得到语音合成模型。

具体来说，如图4所示，可以将文本训练样本对应的标注语音特征信息输入编码网络，得到文本训练样本对应的表示序列，同时，将文本训练样本对应的标注语音特征信息输入时长子模型，得到文本训练样本对应的时长特征信息；之后，将文本训练样本对应的表示序列和时长特征信息输入高斯采样模块，得到文本训练样本对应的定长的语义表征；接下来，将该定长的语义表征输入线性处理模块，以进行线性变换，生成文本训练样本对应的预测梅尔谱信息；然后，将该预测梅尔谱信息输入声码器(即基于流的生成模型flow)，得到文本训练样本对应的预测波形点信息；之后，根据文本训练样本对应的预测波形点信息和标注波形点信息的比较结果，对声学子模型中、除基于流的可逆生成模型glow外的各模块的模型参数进行更新。

同时，将文本训练样本对应的标注梅尔谱信息输入基于流的可逆生成模型glow中的压缩层，以对该标注梅尔谱信息进行压缩；之后，将压缩后的数据输入actnorm层，以进行数据规范化处理；接下来，将规范化处理后所得的数据输入可逆1*1卷积层，以对其进行打乱；然后，将打乱后的数据输入仿射耦合层，以进行数据逆转换，得到模拟正态分布；之后，可以根据该模拟正态分布和标准正态分布的比较结果，对基于流的可逆生成模型glow的模型参数进行更新。

由此，可以得到上述语音合成模型。

图6是根据一示例性实施例示出的一种语音合成装置的框图。如图6所示，该装置600包括：第一获取模块601，用于获取待合成文本对应的语音特征信息；语音合成模块602，用于将所述第一获取模块601获取到的所述语音特征信息输入语音合成模型中，得到与所述待合成文本对应的预测波形点信息，其中，所述语音合成模型包括声学子模型和声码器，所述语音合成模型是通过对所述声学子模型和所述声码器直接进行联合训练得到的；扩展模块603，用于对所述语音合成模块602得到的所述预测波形点信息进行μ律扩展，得到所述待合成文本对应的音频信息。

在本公开中，待合成文本可以为中文、藏文、维文、泰文、羌文等有声调的语种。语音特征信息可以用于表征待合成文本的音素、语调、停顿等相关信息。另外，待合成文本可以为小说、歌词等各种类型的文本。

在上述技术方案中，通过语音合成模型可以直接根据待合成文本对应的语音特征信息获得预测波形点信息，之后，对该预测波形点信息进行简单的μ律扩展即可获取到待合成文本对应的音频信息，而无需经过声学子模型和声码器进行协作，从而提升了语音合成的效率，并且，可有效降低相关技术中将声学子模型和声码器分别训练所产生的误差累积，提升了语音合成的准确度。另外，由于根据待合成文本对应的语音特征信息可以直接生成预测波形点信息，而不涉及声学特征，从而可以避免声学特征因不具备普适性导致生成的音频信息不能适配特殊的发音需求的问题，从而提升了语音合成的效果。此外，通过对声学子模型和声码器直接进行联合训练即可得到语音合成模型，从而可以缩短模型训练周期，并且使得该语音合成模型的韵律保真度更好；并且，还可保证语音合成模型中的声学子模型和声码器的匹配度，从而避免即使声学子模型和声码器的准确度都较高，但得出的语音合成结果准确度低的问题，进一步提升了语音合成的准确度。

可选地，所述声学子模型包括编码网络、时长子模型、高斯采样模块、线性处理模块以及基于流的可逆生成模型glow；

所述编码网络用于根据所述语音特征信息，生成所述待合成文本对应的表示序列，其中，所述表示序列由所述待合成文本中每一音素的编码按照相应音素在所述待合成文本中的先后顺序排列而成；

所述时长子模型用于根据所述语音特征信息，得到所述待合成文本对应的时长特征信息，其中，所述时长特征信息包括所述待合成文本中每一音素对应的语音帧的数量；

所述高斯采样模块用于根据所述表示序列和所述时长特征信息，生成所述待合成文本对应的定长的语义表征；

所述线性处理模块用于对所述语义表征进行线性变换，得到所述待合成文本对应的第一梅尔谱信息；

所述基于流的可逆生成模型glow用于根据标准正态分布生成第二梅尔谱信息；

所述声码器用于根据所述第一梅尔谱信息和所述第二梅尔谱信息，生成与所述待合成文本对应的预测波形点信息。

可选地，所述声码器为基于流的生成模型flow；

所述语音合成模型通过语音合成模型训练装置训练得到，其中，如图7所示，该语音合成模型训练装置700包括：

第二获取模块，用于获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息；

训练模块，用于通过将所述标注语音特征信息分别作为所述编码网络、所述时长子模型的输入，将所述编码网络的输出和所述时长子模型的输出作为所述高斯采样模块的输入，将所述高斯采样模块的输出作为所述线性处理模块的输入，将所述线性处理模块的输出作为所述基于流的生成模型flow的输入，将所述标注波形点信息作为所述基于流的生成模型flow的目标输出，将所述标注梅尔谱信息作为所述基于流的可逆生成模型glow的输入，将所述标准正态分布作为所述基于流的可逆生成模型glow的目标输出的方式对所述声学子模型和所述声码器直接进行联合训练，以得到所述语音合成模型。

可选地，所述语音特征信息包括音素、声调、分词及韵律边界；

所述第一获取模块用于将所述待合成文本输入信息提取模型，得到与所述待合成文本对应的语音特征信息。

可选地，所述装置600还包括：背景音乐合成模块，用于将所述扩展模块603得到的所述音频信息与背景音乐进行合成。

本公开还提供一种语音合成模型训练装置，其中，所述语音合成模型包括声学子模型和声码器，所述声学子模型包括编码网络、时长子模型、高斯采样模块、线性处理模块以及基于流的可逆生成模型glow，所述声码器为基于流的生成模型flow。如图7所示，该装置700包括：第二获取模块701，用于获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息；训练模块702，用于通过将所述标注语音特征信息分别作为所述编码网络、所述时长子模型的输入，将所述编码网络的输出和所述时长子模型的输出作为所述高斯采样模块的输入，将所述高斯采样模块的输出作为所述线性处理模块的输入，将所述线性处理模块的输出作为所述基于流的生成模型flow的输入，将所述标注波形点信息作为所述基于流的生成模型flow的目标输出，将所述标注梅尔谱信息作为所述基于流的可逆生成模型glow的输入，将所述标准正态分布作为所述基于流的可逆生成模型glow的目标输出的方式对所述声学子模型和所述声码器直接进行联合训练，以得到所述语音合成模型。

在本公开中，可以通过对文本训练样本对应的音频信息进行μ律压缩，得到该文本训练样本对应的标注波形点信息。

具体来说，如图4所示，可以将文本训练样本对应的标注语音特征信息输入编码网络，得到文本训练样本对应的表示序列，同时，将文本训练样本对应的标注语音特征信息输入时长子模型，得到文本训练样本对应的时长特征信息；之后，将文本训练样本对应的表示序列和时长特征信息输入高斯采样模块，得到文本训练样本对应的定长的语义表征；接下来，将该定长的语义表征输入线性处理模块，以进行线性变换，生成文本训练样本对应的预测梅尔谱信息；然后，将该预测梅尔谱信息输入声码器(即基于流的生成模型flow)，得到文本训练样本对应的预测波形点信息；之后，根据文本训练样本对应的预测波形点信息和标注波形点信息的比较结果，对声学子模型中、除基于流的可逆生成模型glow外的各模块的模型参数进行更新。

同时，将文本训练样本对应的标注梅尔谱信息输入基于流的可逆生成模型glow中的压缩层，以对该标注梅尔谱信息进行压缩；之后，将压缩后的数据输入actnorm层，以进行数据规范化处理；接下来，将规范化处理后所得的数据输入可逆1*1卷积层，以对其进行打乱；然后，将打乱后的数据输入仿射耦合层，以进行数据逆转换，得到模拟正态分布；之后，可以根据该模拟正态分布和标准正态分布的比较结果，对基于流的可逆生成模型glow的模型参数进行更新。

由此，可以得到上述语音合成模型。

另外，需要说明的是，上述语音合成模型训练装置700可以集成于语音合成装置600中，也可以独立于该语音合成装置600，在本公开中不作具体限定。另外，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本公开还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开提供的上述语音合成方法的步骤或者语音合成模型训练方法的步骤。

下面参考图8，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储装置808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。

通常，以下装置可以连接至i/o接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从rom802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如http(hypertexttransferprotocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取待合成文本对应的语音特征信息；将所述语音特征信息输入语音合成模型中，得到与所述待合成文本对应的预测波形点信息，其中，所述语音合成模型包括声学子模型和声码器，所述语音合成模型是通过对所述声学子模型和所述声码器直接进行联合训练得到的；对所述预测波形点信息进行μ律扩展，得到所述待合成文本对应的音频信息。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息；语音合成模型包括声学子模型和声码器，所述声学子模型包括编码网络、时长子模型、高斯采样模块、线性处理模块以及基于流的可逆生成模型glow，所述声码器为基于流的生成模型flow；通过将所述标注语音特征信息分别作为所述编码网络、所述时长子模型的输入，将所述编码网络的输出和所述时长子模型的输出作为所述高斯采样模块的输入，将所述高斯采样模块的输出作为所述线性处理模块的输入，将所述线性处理模块的输出作为所述基于流的生成模型flow的输入，将所述标注波形点信息作为所述基于流的生成模型flow的目标输出，将所述标注梅尔谱信息作为所述基于流的可逆生成模型glow的输入，将所述标准正态分布作为所述基于流的可逆生成模型glow的目标输出的方式对所述声学子模型和所述声码器直接进行联合训练，以得到所述语音合成模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“获取待合成文本对应的语音特征信息的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种语音合成方法，包括：获取待合成文本对应的语音特征信息；将所述语音特征信息输入语音合成模型中，得到与所述待合成文本对应的预测波形点信息，其中，所述语音合成模型包括声学子模型和声码器，所述语音合成模型是通过对所述声学子模型和所述声码器直接进行联合训练得到的；对所述预测波形点信息进行μ律扩展，得到所述待合成文本对应的音频信息。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述声学子模型包括编码网络、时长子模型、高斯采样模块、线性处理模块以及基于流的可逆生成模型glow；所述编码网络用于根据所述语音特征信息，生成所述待合成文本对应的表示序列，其中，所述表示序列由所述待合成文本中每一音素的编码按照相应音素在所述待合成文本中的先后顺序排列而成；所述时长子模型用于根据所述语音特征信息，得到所述待合成文本对应的时长特征信息，其中，所述时长特征信息包括所述待合成文本中每一音素对应的语音帧的数量；所述高斯采样模块用于根据所述表示序列和所述时长特征信息，生成所述待合成文本对应的定长的语义表征；所述线性处理模块用于对所述语义表征进行线性变换，得到所述待合成文本对应的第一梅尔谱信息；所述基于流的可逆生成模型glow用于根据标准正态分布生成第二梅尔谱信息；所述声码器用于根据所述第一梅尔谱信息和所述第二梅尔谱信息，生成与所述待合成文本对应的预测波形点信息。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述声码器为基于流的生成模型flow；所述语音合成模型通过以下方式训练得到：获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息；通过将所述标注语音特征信息分别作为所述编码网络、所述时长子模型的输入，将所述编码网络的输出和所述时长子模型的输出作为所述高斯采样模块的输入，将所述高斯采样模块的输出作为所述线性处理模块的输入，将所述线性处理模块的输出作为所述基于流的生成模型flow的输入，将所述标注波形点信息作为所述基于流的生成模型flow的目标输出，将所述标注梅尔谱信息作为所述基于流的可逆生成模型glow的输入，将所述标准正态分布作为所述基于流的可逆生成模型glow的目标输出的方式对所述声学子模型和所述声码器直接进行联合训练，以得到所述语音合成模型。

根据本公开的一个或多个实施例，示例4提供了示例1-3中任一项的方法，所述语音特征信息包括音素、声调、分词及韵律边界；所述获取待合成文本对应的语音特征信息，包括：将所述待合成文本输入信息提取模型，得到与所述待合成文本对应的语音特征信息。

根据本公开的一个或多个实施例，示例5提供了示例1-3中任一项的方法，所述方法还包括：将所述音频信息与背景音乐进行合成。

根据本公开的一个或多个实施例，示例6提供了一种语音合成模型训练方法，所述语音合成模型包括声学子模型和声码器，所述声学子模型包括编码网络、时长子模型、高斯采样模块、线性处理模块以及基于流的可逆生成模型glow，所述声码器为基于流的生成模型flow；所述方法包括：获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息；通过将所述标注语音特征信息分别作为所述编码网络、所述时长子模型的输入，将所述编码网络的输出和所述时长子模型的输出作为所述高斯采样模块的输入，将所述高斯采样模块的输出作为所述线性处理模块的输入，将所述线性处理模块的输出作为所述基于流的生成模型flow的输入，将所述标注波形点信息作为所述基于流的生成模型flow的目标输出，将所述标注梅尔谱信息作为所述基于流的可逆生成模型glow的输入，将所述标准正态分布作为所述基于流的可逆生成模型glow的目标输出的方式对所述声学子模型和所述声码器直接进行联合训练，以得到所述语音合成模型。

根据本公开的一个或多个实施例，示例7提供了一种语音合成装置，包括：第一获取模块，用于获取待合成文本对应的语音特征信息；语音合成模块，用于将所述第一获取模块获取到的所述语音特征信息输入语音合成模型中，得到与所述待合成文本对应的预测波形点信息，其中，所述语音合成模型包括声学子模型和声码器，所述语音合成模型是通过对所述声学子模型和所述声码器直接进行联合训练得到的；扩展模块，用于对所述语音合成模块得到的所述预测波形点信息进行μ律扩展，得到所述待合成文本对应的音频信息。

根据本公开的一个或多个实施例，示例8提供了一种语音合成模型训练装置，所述语音合成模型包括声学子模型和声码器，所述声学子模型包括编码网络、时长子模型、高斯采样模块、线性处理模块以及基于流的可逆生成模型glow，所述声码器为基于流的生成模型flow；所述装置包括：第二获取模块，用于获取文本训练样本对应的标注语音特征信息、标注波形点信息以及标注梅尔谱信息；训练模块，用于通过将所述标注语音特征信息分别作为所述编码网络、所述时长子模型的输入，将所述编码网络的输出和所述时长子模型的输出作为所述高斯采样模块的输入，将所述高斯采样模块的输出作为所述线性处理模块的输入，将所述线性处理模块的输出作为所述基于流的生成模型flow的输入，将所述标注波形点信息作为所述基于流的生成模型flow的目标输出，将所述标注梅尔谱信息作为所述基于流的可逆生成模型glow的输入，将所述标准正态分布作为所述基于流的可逆生成模型glow的目标输出的方式对所述声学子模型和所述声码器直接进行联合训练，以得到所述语音合成模型。

根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-6中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-5中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例11提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例6所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。